論文の概要: Multi-view Contrastive Self-Supervised Learning of Accounting Data
Representations for Downstream Audit Tasks
- arxiv url: http://arxiv.org/abs/2109.11201v1
- Date: Thu, 23 Sep 2021 08:16:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 14:49:00.026016
- Title: Multi-view Contrastive Self-Supervised Learning of Accounting Data
Representations for Downstream Audit Tasks
- Title（参考訳）: 下流聴取課題に対する会計データ表現のマルチビューコントラスト自己監督学習
- Authors: Marco Schreyer, Timur Sattarov, Damian Borth
- Abstract要約: 国際監査基準では、財務諸表の根底にある会計取引を直接評価する必要がある。
ディープラーニングにインスパイアされた監査技術は、大量のジャーナルエントリデータを監査する分野に現れている。
本研究では,監査タスク不変な会計データ表現の学習を目的とした,自己指導型自己学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.9659095632676094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: International audit standards require the direct assessment of a financial
statement's underlying accounting transactions, referred to as journal entries.
Recently, driven by the advances in artificial intelligence, deep learning
inspired audit techniques have emerged in the field of auditing vast quantities
of journal entry data. Nowadays, the majority of such methods rely on a set of
specialized models, each trained for a particular audit task. At the same time,
when conducting a financial statement audit, audit teams are confronted with
(i) challenging time-budget constraints, (ii) extensive documentation
obligations, and (iii) strict model interpretability requirements. As a result,
auditors prefer to harness only a single preferably `multi-purpose' model
throughout an audit engagement. We propose a contrastive self-supervised
learning framework designed to learn audit task invariant accounting data
representations to meet this requirement. The framework encompasses deliberate
interacting data augmentation policies that utilize the attribute
characteristics of journal entry data. We evaluate the framework on two
real-world datasets of city payments and transfer the learned representations
to three downstream audit tasks: anomaly detection, audit sampling, and audit
documentation. Our experimental results provide empirical evidence that the
proposed framework offers the ability to increase the efficiency of audits by
learning rich and interpretable `multi-task' representations.
- Abstract（参考訳）: 国際監査基準では、財務諸表の基礎となる会計取引を直接評価する必要がある。
近年、人工知能の進歩によって、大量のジャーナルエントリデータを監査する分野において、ディープラーニングにインスパイアされた監査技術が出現している。
今日では、こうした手法の大半は、特定の監査タスクのために訓練された専門的なモデルのセットに依存している。
同時に、財務報告監査を行う場合、監査チームは対決される。
(i)時間予算制約に挑戦すること。
(ii)広範な文書の義務、及び
(iii)厳格なモデル解釈要件。
その結果、監査人は監査活動を通じて、望ましい「多目的」の1つのモデルのみを利用するのを好む。
本稿では,監査タスク不変会計データ表現を学習し,この要件を満たすための自己教師付き学習フレームワークを提案する。
このフレームワークは、ジャーナルエントリデータの属性特性を利用する故意に相互作用するデータ拡張ポリシーを含む。
都市支払いの2つの実世界のデータセット上でフレームワークを評価し、学習した表現を3つのダウンストリーム監査タスク(異常検出、監査サンプリング、監査ドキュメント)に転送する。
実験結果から,提案フレームワークは,リッチで解釈可能な「マルチタスク」表現を学習することにより,監査の効率を向上させることができることを示す。
関連論文リスト
- AuditWen:An Open-Source Large Language Model for Audit [20.173039073935907]
本研究では、Qwenを微調整し、監査領域から命令データを構築するオープンソースの監査LCMであるAuditWenを紹介する。
我々は、15の監査タスクと3つのレイヤから28kの命令データセットを構築したQwenを微調整することで、AuditWenと呼ばれる監査LPMを提案する。
評価段階において、アプリケーションシナリオから派生した重要な監査タスクのセットをカバーする3k命令のベンチマークを提案した。
実験の結果,AuditWenは質問理解と回答生成の両方において優れた性能を示し,即時評価ツールとなった。
論文 参考訳（メタデータ） (2024-10-09T02:28:55Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z) - USB: A Unified Summarization Benchmark Across Tasks and Domains [68.82726887802856]
ウィキペディア由来のベンチマークを導入し、クラウドソースアノテーションの豊富なセットを補完し、8ドルの相互関連タスクをサポートする。
このベンチマークで様々な手法を比較し、複数のタスクにおいて、中程度の大きさの微調整されたモデルが、より大きな数発の言語モデルよりも一貫して優れていることを発見した。
論文 参考訳（メタデータ） (2023-05-23T17:39:54Z) - Fact-Checking Complex Claims with Program-Guided Reasoning [99.7212240712869]
Program-Guided Fact-Checking (ProgramFC)は、複雑なクレームを単純なサブタスクに分解する新しいファクトチェックモデルである。
まず,大規模言語モデルの文脈内学習能力を活用して推論プログラムを生成する。
我々は,各サブタスクを対応するサブタスクハンドラに委譲することでプログラムを実行する。
論文 参考訳（メタデータ） (2023-05-22T06:11:15Z) - Socratic Pretraining: Question-Driven Pretraining for Controllable
Summarization [89.04537372465612]
ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。
以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
論文 参考訳（メタデータ） (2022-12-20T17:27:10Z) - Flexible categorization for auditing using formal concept analysis and
Dempster-Shafer theory [55.878249096379804]
我々は、異なる金融口座に対する異なる利息の程度に応じて分類する様々な方法を研究する。
本稿で開発したフレームワークは,説明可能な分類の獲得と研究のための公式な基盤を提供する。
論文 参考訳（メタデータ） (2022-10-31T13:49:16Z) - Federated Continual Learning to Detect Accounting Anomalies in Financial
Auditing [1.2205797997133396]
本稿では,分散クライアントから監査モデルを継続的に学習できるフェデレーション型継続的学習フレームワークを提案する。
組織活動の共通シナリオにおける会計異常を検知するフレームワークの能力を評価する。
論文 参考訳（メタデータ） (2022-10-26T21:33:08Z) - Federated and Privacy-Preserving Learning of Accounting Data in
Financial Statement Audits [1.4986031916712106]
本稿では,複数のクライアントの関連会計データを監査する上で,DLモデルを訓練するためのフェデレートラーニングフレームワークを提案する。
都市給付の実際の3つのデータセットにおける会計異常を検出するためのアプローチを評価する。
論文 参考訳（メタデータ） (2022-08-26T15:09:18Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Continual Learning for Unsupervised Anomaly Detection in Continuous
Auditing of Financial Accounting Data [1.9659095632676094]
国際監査基準では、財務諸表の根底にある会計ジャーナルの項目を直接評価する必要がある。
大量のジャーナルエントリデータを調べるために、ディープラーニングにインスパイアされた監査技術が出現した。
本研究は、両課題を克服し、ジャーナルエントリデータエクスペリエンスのストリームから学ぶように設計された連続的異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-25T09:21:14Z) - Learning Sampling in Financial Statement Audits using Vector Quantised
Autoencoder Neural Networks [1.2205797997133396]
本稿では,Vector Quantized-Variational Autoencoder (VQ-VAE) ニューラルネットワークの応用を提案する。
実世界の2つの決済データセットに基づいて、そのようなニューラルネットワークが会計データの定量化表現を学習できることを実証する。
論文 参考訳（メタデータ） (2020-08-06T09:02:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。